| dc.description.abstract | Visceral obesity merupakan kondisi penumpukan lemak berlebih yang dapat memicu komplikasi metabolik seperti diabetes melitus tipe 2, penyakit kardiovaskular, serta peradangan kronis yang berdampak pada penurunan kualitas hidup. Salah satu pendekatan dalam mengelola obesitas adalah melalui pemanfaatan senyawa bioaktif dari tanaman herbal seperti kemuning. Kemuning (murraya paniculata) merupakan tanaman herbal yang secara tradisional digunakan sebagai jamu pelangsing. Ekstrak kemuning diketahui mengandung sifat metabolit sekunder seperti flavonoid, kumarin, dan terpenoid yang berperan penting dalam potensi terapeutik. Sifat metabolit sekunder pada kemuning memiliki berbagai aktivitas farmakologis, termasuk anti-inflamasi yang sering dikaitkan dengan pengelolaan obesitas. Prediksi drug-target interactions (DTI) menjadi aspek penting dalam pengembangan obat modern untuk menidentifikasi kandidat senyawa yang berpotensi menarget protein terkait obesitas dengan lebih efisien. Salah satu tantangan utama dalam penelitian DTI adalah ketidakseimbangan data, di mana jumlah interaksi terkonfirmasi jauh lebih sedikit dibandingkan interaksi yang belum diketahui. Mengatasi permasalahan tersebut, penelitian ini mengusulkan pendekatan semi-supervised learning menggunakan algoritma Neighborhood Regularized Logistic Matrix Factorization (NRLMF). Perhitungan Cosine Similarity diterapkan untuk menilai kemiripan antara protein dan senyawa, yang berfungsi sebagai informasi tambahan dalam pembangkitan interaksi negatif. Algoritma NRLMF menerapkan regularisasi berbasis tetangga untuk meningkatkan prediksi interaksi senyawa-protein dan membangkitkan interaksi negatif guna mengidentifikasi pasangan yang tidak berinteraksi. Data protein BAT diperoleh dari basis data OMIM dan GeneCards, yang kemudian dicari interakasi senyawa dari basis dari BindingDB. Penelitian ini membandingkan kinerja model Random Forest (RF), XGBoost, Multi-Layer Perceptron (MLP), dan Logistic Regression(LR) menggunakan interaksi negatif yang dihasilkan dari NRLMF. Hasil penelitian menunjukkan kombinasi fitur AAIndex_Morgan pada model MLP memberikan performa paling optimal dari nilai akurasi, recall , F1 Score, dan Cohen Kappa, kecuali nilai precision dan skor AUC yang diungguli oleh model RF dengan nilai (AUC = 99,99%). Perhitungan nilai signifikansi prediksi pada MLP dan XGBoost menghasilkan tingkat signifikansi yang rendah dengan nilai p-value di atas 0,05. Sedangkan, RF menghasilkan nilai Z-Score dengan tingkat signifikansi paling tinggi sebesar 99%. Temuan ini menunjukkan bahwa implementasi
algoritma NRLMF untuk menghasilkan interaksi negatif guna melengkapi data pemodelan machine learning prediksi DTI dapat menjadi metode yang lebih efektif untuk mengatasi ketidakseimbangan data. | |
